AstraZeneca가 AI를 신약, 특히 단백질 기반 바이오의약품 설계의 핵심 인프라로 전면 도입했다. 'design-make-test-analyze' 전 과정을 계산으로 강화하는 build-measure-learn 루프에서 AI가 유망 후보 분자를 생성·우선순위화하면 과학자가 상위 후보에만 실험 자원을 집중해, 개발 주기를 단축하고 그동안 '치료 불가능'으로 여겨지던 표적까지 겨냥한다. McKinsey는 생성형 AI가 신약 발굴 기간을 최대 50%까지 줄일 수 있다고 추정하며, 회사는 분자 구조·결합 측정·안전성·제조 결과를 아우르는 독점 멀티모달 데이터를 경쟁력으로 내세운다. 매사추세츠 케임브리지에 AI와 로봇 자동화를 결합한 폐쇄루프 '미래의 실험실'을 구축 중이며, 궁극 목표는 임상 후보까지 완전히 AI가 설계하는 'de novo' 단백질 설계다. 다만 계산으로 생성한 분자의 인체 안전성 예측이 가장 어려운 과제로 남아 있다.
- •AstraZeneca는 build-measure-learn 루프로 AI가 후보 분자를 생성·우선순위화하면 과학자가 상위 후보에만 실험 자원을 집중해 개발 주기를 단축
- •다음 세대 약물은 단일 경로가 아닌 여러 표적을 동시 공략하거나 특정 세포에 치료 페이로드를 전달하는 다중특이성 바이오의약품으로, 효능·안정성·제조성·안전성을 동시 최적화해야 함
- •McKinsey 추정 생성형 AI가 신약 발굴 기간을 최대 50%까지 단축 가능, 모델 성능은 고품질 생물 데이터에 좌우되며 독점 멀티모달 데이터가 핵심 차별화 요소
- •케임브리지 '미래의 실험실'은 AI 예측·로봇 실험·데이터 생성을 자율주행차처럼 순환시키는 폐쇄루프 발굴 시스템
- •궁극 목표는 임상 후보까지 AI가 설계하는 de novo 단백질 설계이며, 생성 분자의 인체 안전성 예측이 가장 어려운 과제로 가상 임상시험으로 대응 중
How AI helps scientists design the next generation of medicines
본문 미리보기
Designing and developing a new medicine is an expensive, failure-prone scientific challenge. A new drug can take many years to develop, at the cost of a significant investment. And even then, most possible candidates never reach the patient. For biologic medicines, therapies made from engineered proteins rather than synthetic chemistry (which are often used to…
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
